[发明专利]一种基于连续最小割的超声波图像分割方法

说明书

本发明提出了一种基于连续最小割的超声波图像分割方法，本发明针对猪肉眼肌超声波图像分割问题展开了研究，提出了基于模版预测和连续最小割的分割方法。该方法的主要创新在于图像前景模板和后景模版的预测使猪肉眼肌超声波图像分割全自动化。其中，前景模板预测分为四个步骤：一是,检测上边缘，统计上边缘点均值；二是，线性拟合下边缘，统计下边缘点的均值；三是，探测左边缘，估计左边缘的点；四是，预设右边缘的范围。通过这些步骤，可构建前景模板，从而配合预设的后景模板进行图像分割。因要对图像进行较准确细致的分割，本文引用Fast Patch‑based Continuous Min‑Cut(FP‑CMC)算法作为最小割算子以保证准确度。

技术领域

本发明涉及计算机视觉领域，更具体地，涉及一种基于连续最小割的超声波图像分割方法。

背景技术

超声波图像分割主要研究如何利用计算机把人们对图像中的某些感兴趣区域（称之为目标或前景）辨别出来。首先通过对图像进行平滑，对比度加强等预处理来减少噪声和增强边缘细节，再同时考虑背景的灰度、结构和统计等特征，构造前景与背景的数学模型，最终实现将前景与背景分离。超声波图像分割在民用和医学领域具有广泛应用，如病源定位、纹理提取、肿瘤检测定位等等。因此超声波图像分割一直以来都是图像分割的一项重要分支，也是一经典难题。对加快科技发展，促进社会生产力提高具有重要意义。

由于实际图片的噪声严重、边缘缺失、虚假边缘干扰等现象的存在，超声波图像分割一直是计算机视觉领域中具有挑战性的发明。目前已有的一些优秀的算法在应用场合中对解决某一个或某几个场景有比较好的效果，但大部分都建立在半自动化的模式上。能够全自动化分割超声波图像还具有很大的挑战，因此，深入探讨和研究新的超声波图像分割算法，仍然是计算机视觉领域研究人员的一项非常重要的任务。

近年来主流的效果比较好的算法主要是两类，一种是基于人工神经网络技术的分割方法，一种是基于边缘的分割方法，这两类跟踪算法都取得不错的效果，但前者计算复杂度高，计算速度得不到保证；而后者计算速度快，准确度高，但是发生在存在虚假边缘、噪声严重的情况则显得鲁棒性不足，因为这些情况导致真实边缘被噪声污染，虚假边缘被认为为区域边缘。总的来看，两类方法优缺点都非常明显。

发明内容

本发明克服了超声波图像的噪声，虚假边缘等问题，提供了一种新的基于连续最小割的超声波图像分割方法。本发明对超声波图像进行去噪、对比度增强等预处理，然后对图片前景后景进行模版预测，从而对超声波图像进行分割。

为解决上述技术问题，本发明的技术方案如下：

一种基于连续最小割的超声波图像分割方法，包括以下步骤：

S1：将超声波图像进行等比例缩放，得到关于超声波图像的缩放图；通过缩放图计算得到关于超声波图像的权值矩阵；

S2：通过canny算子处理缩放图，得到目标区域左边缘的特征点的位置信息；

S3：通过中值滤波法处理缩放图，得到第一去噪声缩放图；通过L0S算子处理第一去噪声缩放图，得到第一去噪声平滑缩放图；通过canny算子处理第一去噪声平滑缩放图，得到目标区域上边缘的特征点的位置信息；

S4：通过混合中值滤波法处理缩放图，得到第二去噪声缩放图；通过SACE算子处理第二去噪声缩放图，得到第二增强对比度去噪声缩放图；通过LOS算子处理第二增强对比度去噪声缩放图，得到第二增强对比度去噪声平滑缩放图；通过canny算子处理第二增强对比度去噪声平滑缩放图，得到目标区域下边缘的特征点的位置信息；

S5：通过历史经验推断得到目标区域右边缘的特征点的位置信息；

S6：通过S2~S5得到目标区域的特征点的位置信息，构建前景模板；

S7：通过历史经验预设背景模板；